公开(公告)号：CN106650933A

公开(公告)日：2017-05-10

申请号：CN201710022482.4

申请日：2017-01-12

Applicant: 西安电子科技大学

Inventor： 公茂果 ,  马晶晶 ,  赵昆 ,  刘嘉 ,  李豪 ,  张普照 ,  王善峰 ,  武越

IPC: G06N3/08

CPC classification number: G06N3/084

Abstract: 本发明提出了一种基于协同进化和反向传播的深度神经网络优化方法，它属于深度学习与进化计算相结合的技术领域，主要解决的是深度神经网络在训练的时候容易陷入局部最优解的问题。其主要步骤是：(1)首先对网络使用反向传播算法进行优化；(2)当满足停止条件，使用协同进化算法进行优化；(3)不断重复上述两步，直到满足迭代停止条件；(4)最终优化得到的权重和偏差为最优参数。本发明将进化算法的优点应用到深度神经网络的训练中，针对大规模的参数，使用协同进化进行优化，同时结合反向传播算法，并且设计一种选择策略，来提高协同进化的优化速度，使得整个网络能够更高效的被训练完成，优化性能好，提高了网络的分类正确率。

公开(公告)号：CN113063507A

公开(公告)日：2021-07-02

申请号：CN202110326626.1

申请日：2021-03-26

Applicant: 中国科学院物理研究所 ,  西安电子科技大学

Inventor： 许思源 ,  赵昆 ,  朱孝先 ,  李远锋 ,  朱江峰 ,  张大成 ,  魏志义

IPC: G01J11/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种超短激光脉冲宽度预测方法及其预测系统，所述方法基于卷积神经网络。本发明通过在采集超快激光脉冲的脉冲延迟扫描光谱行迹图或行迹图数据(trace)并反演得到脉冲的宽度和相位信息，构建训练集建立卷积神经网络模型，进行卷积神经网络模型训练，使用这种方案可以提高对脉冲信息获取的效率，并在模型构建完成后，降低超快激光脉冲时域信息获取的技术难度。

公开(公告)号：CN113063507B

公开(公告)日：2022-12-13

申请号：CN202110326626.1

申请日：2021-03-26

Applicant: 中国科学院物理研究所 ,  西安电子科技大学

Inventor： 许思源 ,  赵昆 ,  朱孝先 ,  李远锋 ,  朱江峰 ,  张大成 ,  魏志义

IPC: G01J11/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种超短激光脉冲宽度预测方法及其预测系统，所述方法基于卷积神经网络。本发明通过在采集超快激光脉冲的脉冲延迟扫描光谱行迹图或行迹图数据(trace)并反演得到脉冲的宽度和相位信息，构建训练集建立卷积神经网络模型，进行卷积神经网络模型训练，使用这种方案可以提高对脉冲信息获取的效率，并在模型构建完成后，降低超快激光脉冲时域信息获取的技术难度。